石 嫻，明艷芳，劉春秀，瞿 渝，隋淞蔓

(山東科技大學(xué) 測(cè)繪與空間信息學(xué)院，山東 青島 266590)

0 引言

冬小麥為頭年秋季播種次年初夏收獲的一種農(nóng)作物[1]，在全世界范圍內(nèi)都有著廣闊的種植面積[2]。它的種植面積對(duì)經(jīng)濟(jì)和社會(huì)發(fā)展有重要的影響[3-4]。精確、高效的冬小麥空間分布監(jiān)測(cè)具有十分重要的意義[5]。遙感技術(shù)能夠快速實(shí)現(xiàn)大面積作物種植區(qū)域的連續(xù)監(jiān)測(cè)，可以在冬小麥監(jiān)測(cè)中發(fā)揮重要作用[6]。

農(nóng)作物的遙感識(shí)別方法主要包括2大類:單時(shí)相遙感影像識(shí)別和多時(shí)相遙感變化檢測(cè)。然而由于不同植被之間具有較為相似的光譜特征，單一的光譜信息難以達(dá)到較高的識(shí)別精度，而物候期的差異通常被作為農(nóng)作物識(shí)別的重要信息。此外，區(qū)域灌溉不均勻、土壤鹽漬化、病蟲(chóng)害、植被密度差異甚至植物的含水量不同等因素都會(huì)導(dǎo)致相同作物在生長(zhǎng)過(guò)程中產(chǎn)生不同程度的差異[7]，因此很難利用單一時(shí)相的遙感影像進(jìn)行區(qū)分。多時(shí)相遙感影像能夠充分反映不同作物的物候特性及變化規(guī)律，增大光譜特征相似作物之間的可分離性，可以很好地解決“異物同譜”和“同物異譜”問(wèn)題，大大提高識(shí)別精度[8]。隨著高時(shí)空分辨率遙感的快速發(fā)展，基于時(shí)間序列的農(nóng)作物遙感識(shí)別已廣泛應(yīng)用于作物種植面積提取、農(nóng)業(yè)遙感監(jiān)測(cè)等方面。

時(shí)間序列遙感作物識(shí)別方法主要利用作物整個(gè)生育期固定時(shí)間間隔的時(shí)序數(shù)據(jù)獲取農(nóng)作物特定的時(shí)序曲線，然后分析其物候或數(shù)學(xué)特征并進(jìn)行農(nóng)作物識(shí)別。楊小喚等[9]繪制并分析了作物的歸一化植被指數(shù)(NDVI)時(shí)序曲線，制定了不同作物的提取依據(jù)，獲取了北京市的冬小麥、玉米和大豆的種植空間分布圖；陳健等[10]以整個(gè)作物生育期內(nèi)35個(gè)時(shí)相的合成地表反射率數(shù)據(jù)生成MODIS數(shù)據(jù)的增強(qiáng)植被指數(shù)(EVI)時(shí)序數(shù)據(jù)，結(jié)合作物物候歷和種植結(jié)構(gòu)，構(gòu)建分類模型，最終達(dá)到了95.7%的整體分類精度。近年來(lái)隨著遙感衛(wèi)星研發(fā)技術(shù)的不斷進(jìn)步，云平臺(tái)計(jì)算能力和計(jì)算機(jī)圖像處理技術(shù)的不斷提高，作物識(shí)別逐漸向大空間尺度、長(zhǎng)時(shí)間序列方向發(fā)展，分類算法也在不斷改進(jìn)。周珂等[11]根據(jù)每旬NDVI最大值合成Landsat8影像，提取了河南省的冬小麥，其平均分類精度達(dá)到了95.3%，且有效降低了與統(tǒng)計(jì)數(shù)據(jù)的相對(duì)誤差；You等[12]將3個(gè)波段、7個(gè)光譜指數(shù)作為特征，使用10 d中值合成Sentinel-2時(shí)間序列影像，利用隨機(jī)森林分類器進(jìn)行分類，首次在10 m分辨率下制作了中國(guó)年度區(qū)域作物圖。

然而,目前大多數(shù)識(shí)別方法都是使用某一種時(shí)間序列數(shù)據(jù)，很少有專門(mén)的研究通過(guò)試驗(yàn)比較分析不同間隔的時(shí)序影像用來(lái)做冬小麥提取的適宜性和準(zhǔn)確性。根據(jù)Blaes等[13]的研究，時(shí)間序列影像中過(guò)長(zhǎng)的時(shí)間間隔或關(guān)鍵期一景影像的缺失都會(huì)對(duì)分類精度造成影響。Wardlow等[14]表示，每種作物有其獨(dú)特的時(shí)序光譜曲線，不同的構(gòu)造方法會(huì)造成時(shí)序數(shù)據(jù)的變化，使得作物的提取效果產(chǎn)生差異。由此，時(shí)序數(shù)據(jù)的構(gòu)造方法對(duì)于時(shí)序影像的遙感識(shí)別分類和基于物候特征的遙感監(jiān)測(cè)產(chǎn)生著至關(guān)重要的影響，此類研究也十分有必要開(kāi)展。

另外，由于中等分辨率衛(wèi)星自身的局限性以及小規(guī)模農(nóng)業(yè)種植區(qū)域的分類易受到背景因素的干擾，像素尺度下的冬小麥提取效果可能難以滿足要求。面向地塊的分類方法在以往的研究中被證明可以很好地克服上述問(wèn)題，尤其是在小規(guī)模農(nóng)業(yè)盛行的地區(qū)要優(yōu)于面向像素的分類方法[15-16]。但是目前還未有在不同時(shí)間序列數(shù)據(jù)下關(guān)于地塊和像素提取方法的對(duì)比，也未有關(guān)于提取效率方面的評(píng)價(jià)。

綜上所述，冬小麥種植區(qū)提取目前主要存在時(shí)間序列單一的問(wèn)題，另外沒(méi)有考慮到面向地塊、像素方法與不同時(shí)序數(shù)據(jù)結(jié)合的適用性。因此本文利用GEE平臺(tái)和Sentinel-2A/B數(shù)據(jù)評(píng)估了不同時(shí)間間隔(10、15和30 d)合成的時(shí)序數(shù)據(jù)對(duì)冬小麥提取精度的影響，明確了更適合提取冬小麥種植區(qū)的Sentinel-2A/B時(shí)序數(shù)據(jù)。同時(shí)對(duì)比了使用不同間隔的時(shí)序數(shù)據(jù)時(shí)面向地塊和面向像素分類方法的優(yōu)劣性，為擴(kuò)大Sentinel-2A/B數(shù)據(jù)在作物分類中的應(yīng)用提供了依據(jù)。

1 研究區(qū)和數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

本文研究區(qū)膠州市(36°00′N～36°30′N，119°37′E～120°12′E)位于山東省青島市，占地面積為1 324 km2，總耕地面積82萬(wàn)畝，地貌類型有丘陵、平原、洼地和濱海低地4類。膠州市年無(wú)霜期210 d，平均氣溫12 ℃，有效積溫4 599.2 ℃，日照時(shí)數(shù)2 170.5 h，降水量724.8 mm，為典型的暖溫帶半濕潤(rùn)季風(fēng)區(qū)大陸性氣候，四季分明，雨熱同期，非常適宜小麥、馬鈴薯和花生等農(nóng)作物的種植。

1.2 作物物候期

通過(guò)實(shí)地調(diào)查了解到研究區(qū)內(nèi)農(nóng)作物多種多樣，主要種植的農(nóng)作物有冬小麥、馬鈴薯、花生和玉米等。該地玉米年耕種2次，冬小麥、馬鈴薯和花生則耕種一次，典型地表類型包括冬小麥-夏玉米雙熟制耕地、馬鈴薯-夏玉米雙熟制耕地、蔬菜-春玉米雙熟制耕地和花生單熟制耕地。冬小麥一般在10月初播種，12月下旬進(jìn)入越冬期，翌年3月開(kāi)始返青生長(zhǎng)，4月進(jìn)入生長(zhǎng)旺期，6月中旬以前基本收割完畢，生長(zhǎng)期大概8個(gè)月。本研究將2020年10月—2021年6月(共270 d)作為研究期，使用DOW(Day of Wheat)表示研究期內(nèi)的時(shí)間，表1為研究期內(nèi)膠州市主要農(nóng)作物的關(guān)鍵物候期。

表1 膠州市主要農(nóng)作物物候期

1.3 衛(wèi)星數(shù)據(jù)及預(yù)處理

Sentinel-2是一種高分辨率多光譜成像衛(wèi)星，攜帶有一枚多光譜成像儀(MSI)，包括Sentinel-2A和Sentinel-2B兩顆衛(wèi)星，一起提供5 d間隔的影像。GEE平臺(tái)提供了2種級(jí)別的Sentinel-2A/B數(shù)據(jù)：Level-1C和Level-2A。Level-1C級(jí)產(chǎn)品是指經(jīng)過(guò)了輻射定標(biāo)、幾何校正(主要包括正射校正、空間配準(zhǔn)操作)的大氣表層(Top-of-Atmosphere，TOA)反射率數(shù)據(jù)，Level-2A級(jí)產(chǎn)品則是在Level-1C級(jí)產(chǎn)品的基礎(chǔ)上又經(jīng)過(guò)了大氣校正的地表反射率(Surface Reflectance，SR)數(shù)據(jù)[17]。本次研究使用Sentinel-2 SR數(shù)據(jù)集，已經(jīng)消除了大氣吸收以及各項(xiàng)散射作用造成的誤差，能夠反演地物真實(shí)的表面反射率，使得作物分類更加準(zhǔn)確。數(shù)據(jù)共含有12個(gè)光譜波段，分別具有不同的空間分辨率(10，20，60 m)，具體的數(shù)據(jù)介紹如表2所示。

表2 Sentinel-2A/B Level-2A數(shù)據(jù)介紹

研究期內(nèi)共218景影像，由于原始數(shù)據(jù)是按10 000倍縮放的SR數(shù)據(jù)，將每景影像除以10 000獲得真實(shí)單位的地表反射率數(shù)據(jù)。另外，數(shù)據(jù)還有3個(gè)QA(Quality Assessment)波段，其中的QA60波段存儲(chǔ)有云掩膜信息，利用它消除Sentinel-2A/B數(shù)據(jù)中被云和陰影污染的觀測(cè)，又使用線性插值的方法填補(bǔ)去云留下的缺失，以實(shí)現(xiàn)整個(gè)時(shí)間、空間域的完全覆蓋。

1.4 地面調(diào)查數(shù)據(jù)

樣本數(shù)據(jù)來(lái)源于2021年3月和5月膠州市野外實(shí)地調(diào)查數(shù)據(jù)，共獲得436個(gè)樣本點(diǎn)，其中冬小麥212個(gè)，非冬小麥224個(gè)。采樣時(shí)記錄樣本的經(jīng)緯度及作物類別，并拍攝照片方便后續(xù)核查。

2 材料和方法

本研究主要包括以下2個(gè)部分。首先，利用圖像分割技術(shù)從高分辨率影像中提取膠州市的地塊，為了避免非農(nóng)作物區(qū)域的干擾，將非耕地地塊剔除。然后，在GEE平臺(tái)中使用實(shí)地調(diào)查得到的樣本結(jié)合構(gòu)造的作物時(shí)序特征作為輸入，訓(xùn)練基于RF算法的冬小麥分類器，將分類器分別應(yīng)用于耕地地塊或像素，以實(shí)現(xiàn)膠州市冬小麥的提取。研究的技術(shù)路線如圖1所示。

圖1 技術(shù)路線Fig.1 Technical route

2.1 耕地地塊獲取

在面向地塊的分類方法中地塊的獲取過(guò)程至關(guān)重要，地塊與真實(shí)地物的符合程度直接影響信息提取的正確與否。圖像分割的過(guò)程其實(shí)是相鄰?fù)|(zhì)像素的結(jié)合和異質(zhì)像素的分離過(guò)程，在盡量減少圖像信息損失的基礎(chǔ)上將圖像分割成有意義的多邊形對(duì)象[18]。每個(gè)多邊形代表一個(gè)實(shí)地地物，內(nèi)部具有相同光譜、紋理等信息。

本文使用易康(eCognition)軟件的多尺度分割方法獲得耕地地塊，影像為下載得到的2021年4月膠州市GF2 PMS數(shù)據(jù)，經(jīng)過(guò)正射校正、波段融合后，空間分辨率達(dá)到了1 m。為了使分割結(jié)果與影像更加吻合，經(jīng)過(guò)多次試驗(yàn)達(dá)到了最佳效果，分割尺度設(shè)置為50，形狀因子為 0.3，緊致度為0.4。采用目視解譯的方法將非耕地地塊(主要包括建筑物、道路等)刪除，只在耕地范圍內(nèi)作圖，人工修正和細(xì)化邊界后得到了99 733個(gè)農(nóng)作物地塊，局部效果如圖2所示。近年來(lái)國(guó)家耕地保護(hù)政策十分嚴(yán)格，獲得的耕地塊矢量具有較長(zhǎng)期的穩(wěn)定性，可以重復(fù)利用。

圖2 地塊分割Fig.2 Parcel segmentation picture

2.2 隨機(jī)森林分類

隨機(jī)森林(RF)算法是Breiman在2001年提出的一種強(qiáng)大的機(jī)器學(xué)習(xí)算法[19]，已經(jīng)在不同領(lǐng)域有了廣泛的應(yīng)用，例如風(fēng)險(xiǎn)評(píng)估及預(yù)測(cè)、醫(yī)學(xué)檢驗(yàn)和金融投資等[20-22]。它是基于決策樹(shù)弱分類器的集成學(xué)習(xí)算法，在利用集成算法優(yōu)勢(shì)的同時(shí)規(guī)避了單個(gè)分類器的缺點(diǎn)，比許多傳統(tǒng)的分類器(如單層神經(jīng)網(wǎng)絡(luò)、最大似然法等)更具有準(zhǔn)確性和魯棒性[23]。RF的隨機(jī)主要有2個(gè)方面：首先是對(duì)原始數(shù)據(jù)集采用bootstrap方法(隨機(jī)且有放回的抽樣方法)抽取多個(gè)訓(xùn)練集和其對(duì)應(yīng)的測(cè)試集；其次是在生成決策樹(shù)時(shí)隨機(jī)抽取一部分特征用于樹(shù)節(jié)點(diǎn)的分裂。最后每個(gè)決策樹(shù)進(jìn)行投票來(lái)確定最終分類結(jié)果。

RF算法的模型表示為：

(1)

式中，I表示示性函數(shù)；Y表示預(yù)測(cè)結(jié)果；hi(Si)表示單顆決策樹(shù)。

RF分類步驟如下：

① 從原始數(shù)據(jù)集N中隨機(jī)且有放回地抽取n個(gè)樣本，重復(fù)n次，而未抽中的樣本組成袋外數(shù)據(jù)集(OOB)，作為測(cè)試數(shù)據(jù)；

② 從特征集合M中隨機(jī)抽取m個(gè)作為特征子集，且m

③ 基尼指數(shù)能夠選出數(shù)據(jù)集的最佳分界點(diǎn)，找出使每棵決策樹(shù)的基尼指數(shù)最小的特征作為最優(yōu)特征，其對(duì)應(yīng)的切分點(diǎn)作為最優(yōu)切分點(diǎn)，然后將剩余訓(xùn)練數(shù)據(jù)應(yīng)用到下面的2個(gè)子節(jié)點(diǎn)中；

④ 在每個(gè)子節(jié)點(diǎn)上重復(fù)進(jìn)行步驟③，直到分割完所有節(jié)點(diǎn)；

⑤ 重復(fù)進(jìn)行步驟②～步驟④，得到需要數(shù)量的決策樹(shù)；

⑥ 每一顆決策樹(shù)都會(huì)對(duì)測(cè)試數(shù)據(jù)集中的每一條數(shù)據(jù)進(jìn)行投票，統(tǒng)計(jì)得票最多的類別即為該樣本的最終類別。

RF算法有著較高的準(zhǔn)確性，GEE平臺(tái)中的RF算法已成功用于檢測(cè)土地利用變化和作物分類等研究中，本研究將它運(yùn)用在冬小麥提取中。

2.2.1 光譜特征計(jì)算

NDVI是監(jiān)測(cè)作物生長(zhǎng)狀態(tài)的最佳指示因子，還能反映出植物冠層的背景(如土壤、潮濕地面、雪和枯葉等)影響，當(dāng)土地還未耕作時(shí)裸露地表的NDVI指數(shù)值接近0。NDVI計(jì)算公式為：

(2)

式中，ρNIR為近紅外波段的反射率；ρR為紅波段的反射率。

EVI設(shè)置了更窄的紅邊波段，可以減少水汽的影響，加強(qiáng)了對(duì)植被稀疏地區(qū)的監(jiān)測(cè)能力。另外，它引入的藍(lán)光波段能夠降低土壤背景和大氣噪聲的干擾，可穩(wěn)定地反映地表植被特征。EVI計(jì)算公式為：

(3)

式中，ρNIR為近紅外波段的反射率；ρR為紅波段的反射率；ρB為藍(lán)波段的反射率。

2.2.2 時(shí)序數(shù)據(jù)分析及合成

為了對(duì)比不同時(shí)間間隔的合成對(duì)時(shí)序曲線的影響，本文結(jié)合Sentinel-2A/B NDVI，EVI時(shí)間序列數(shù)據(jù)和實(shí)地調(diào)查的樣本數(shù)據(jù)，繪制不同作物原始的NDVI，EVI時(shí)間序列曲線。由于受到云、水汽、氣溶膠和傳感器等因素的干擾，時(shí)間序列數(shù)據(jù)容易出現(xiàn)異常值，時(shí)間序列曲線出現(xiàn)不規(guī)則波動(dòng)現(xiàn)象，對(duì)波譜分析和特征構(gòu)造造成不可忽略的影響[24]。平滑和去噪操作可以更加真實(shí)地反映各種作物的生長(zhǎng)曲線，本文采用S-G(Savitzky-Golay)濾波方法重構(gòu)Sentinel-2A/B的時(shí)間序列數(shù)據(jù)，設(shè)置移動(dòng)窗口大小為7(70 d觀測(cè)值)，多項(xiàng)式次數(shù)為3。圖3為經(jīng)過(guò)平滑后的作物NDVI,EVI時(shí)間序列曲線，橫坐標(biāo)表示日期，縱軸表示NDVI,EVI的值。

(a) NDVI時(shí)序曲線

由NDVI時(shí)間序列曲線可以看出，冬小麥曲線整體呈現(xiàn)“兩峰一谷”的趨勢(shì)。夏玉米在9月下旬—10月上旬收獲，然后冬小麥開(kāi)始播種，7 d左右出苗，NDVI逐漸增大；12月份出現(xiàn)一個(gè)小的波峰，然后開(kāi)始冬眠，光合作用衰減，NDVI逐漸減小；波谷在1月份出現(xiàn)；在2—3月份開(kāi)始返青、起身，NDVI迅速升高；4月中下旬—5月上旬進(jìn)入抽穗期，達(dá)到第2個(gè)波峰；6月成熟后收獲，植被指數(shù)值明顯下降?；ㄉ?、春玉米和馬鈴薯都是春季作物，一般去年的夏季作物收獲之后都會(huì)為其保留耕地，NDVI值較低，在11月中旬—次年4月都與冬小麥曲線有著明顯差異。EVI曲線與NDVI較為類似，冬小麥曲線也有著“兩峰一谷”的形態(tài)，在11月中旬—次年4月都是區(qū)分冬小麥的關(guān)鍵時(shí)期。

由于影像眾多，且直接使用單景影像易受到異常值的干擾，雖然進(jìn)行了濾波處理但是作物曲線依然出現(xiàn)了振蕩現(xiàn)象。本文分別取DOW 1～270中的每10，15，30 d的均值合成一景新的影像，得到NDVI,EVI的不同時(shí)間間隔合成的時(shí)序影像。面向地塊的分類方法最后還要計(jì)算每個(gè)地塊內(nèi)的均值作為地塊的特征。

2.2.3 特征選擇

經(jīng)過(guò)以上計(jì)算，得到了不同時(shí)間間隔合成的時(shí)序特征，如表3所示。

表3 時(shí)序特征

多光譜時(shí)序數(shù)據(jù)在提供更多光譜信息的同時(shí)，也帶來(lái)了高維輸入和輸出的新挑戰(zhàn)。由于大量光譜特征可能會(huì)攜帶高度相關(guān)的信息，增加模型的計(jì)算負(fù)擔(dān)，出現(xiàn)過(guò)擬合現(xiàn)象。因此特征選擇顯得十分重要，它在很大程度上決定機(jī)器學(xué)習(xí)算法的效率。RF允許使用基尼指數(shù)在分類時(shí)對(duì)特征重要性進(jìn)行評(píng)價(jià)。因此使用GEE中的評(píng)價(jià)方法對(duì)特征波段進(jìn)行排序，最后分別保留14～24個(gè)最佳特征進(jìn)行冬小麥的提取。

2.2.4 模型訓(xùn)練和分類

在進(jìn)行地塊級(jí)別的分類時(shí)，由于膠州市面積較大，地塊數(shù)量較多，將它分為3個(gè)區(qū)分別計(jì)算和導(dǎo)出結(jié)果。面向地塊的分類方法將冬小麥樣本所屬的地塊標(biāo)記為1，非冬小麥地塊標(biāo)記為0；面向像素的分類方法將冬小麥樣本點(diǎn)標(biāo)記為1，非冬小麥點(diǎn)標(biāo)記為0。最后將樣本分別按照7∶3的比例隨機(jī)分為訓(xùn)練樣本和驗(yàn)證樣本。將樣本和特征都導(dǎo)入RF分類器中進(jìn)行分類，設(shè)置RF的參數(shù)如下：① numberOfTrees，樹(shù)數(shù)代表建立RF模型的決策樹(shù)的數(shù)量，在一定范圍內(nèi)隨著樹(shù)數(shù)的增多，精度可能會(huì)略有提高，設(shè)置為500；② seed，隨機(jī)種子設(shè)置為999；③ 其他幾個(gè)參數(shù)，maxNodes(每棵樹(shù)中葉節(jié)點(diǎn)的最大數(shù)目)、minLeafPopulation(葉節(jié)點(diǎn)所需的最小樣本數(shù))、bagFraction(每棵樹(shù)輸入到bag的分?jǐn)?shù))、variablesPerSplit(每次分割的變量數(shù))保持默認(rèn)設(shè)置。

為了方便與面向像素的分類方法進(jìn)行對(duì)比，基于像素的冬小麥提取也使用多尺度分割得到的耕地地塊進(jìn)行掩膜，時(shí)序特征及樣本也與面向地塊的分類方法保持一致。

2.3 結(jié)果評(píng)價(jià)指標(biāo)

評(píng)價(jià)指標(biāo)用來(lái)定量的衡量一個(gè)算法性能的優(yōu)劣水平?；煜仃囀亲畛Ｓ玫姆绞?，能一目了然地展示出分類結(jié)果和地表真實(shí)信息的差異，如表4所示。

表4 混淆矩陣

將真實(shí)類別為非小麥的樣本稱為負(fù)類，真實(shí)類別為小麥的樣本稱為正類，TN(True Negative)代表負(fù)類的正確預(yù)測(cè)，F(xiàn)N(False Negative)代表正類的錯(cuò)誤預(yù)測(cè)，F(xiàn)P(False Positive)代表負(fù)類的錯(cuò)誤預(yù)測(cè)，TP(True Positive)代表正類的正確預(yù)測(cè)。樣本總和為N，則：

N=TN+FN+FP+TP。

(4)

常用的幾種精度評(píng)價(jià)方式：總體分類精度(OA)、Kappa系數(shù)、生產(chǎn)者精度(PA)和用戶精度(UA)都是基于混淆矩陣計(jì)算的。OA表示正確分類的像元(地塊)總和除以總像元(地塊)數(shù)，計(jì)算公式如下：

(5)

但是OA只考慮分類正確的比例，不能對(duì)模型性能的好壞做出評(píng)價(jià)。Kappa系數(shù)不僅考慮了被正確分類的像素(地塊)，又綜合了各種錯(cuò)分和漏分誤差，是更為全面的評(píng)價(jià)指標(biāo)。Kappa系數(shù)計(jì)算公式為：

(6)

式中，

(7)

(8)

生產(chǎn)者精度是指分類器將所有像素(地塊)正確分為某類和某類真實(shí)總數(shù)的比例，例如冬小麥類別的生產(chǎn)者精度計(jì)算公式為：

(9)

用戶精度是指正確分到某類的像素(地塊)數(shù)與分類器分為某類的總數(shù)的比例，例如冬小麥類別的用戶精度計(jì)算公式為：

1.2.2 培訓(xùn)方法 我院臨床技能培訓(xùn)中心采用兒童仿真模型模擬臨床環(huán)境對(duì)學(xué)員進(jìn)行培訓(xùn)，內(nèi)容包括理論及技能操作培訓(xùn)，形式為教師講解、視頻演示、邊看邊做、實(shí)戰(zhàn)演練等。

(10)

3 結(jié)果與評(píng)價(jià)

3.1 時(shí)序曲線對(duì)比

圖4為冬小麥生長(zhǎng)期內(nèi)(DOW 0～270)不同時(shí)間間隔合成的作物生長(zhǎng)曲線圖，橫軸表示時(shí)間，縱軸表示NDVI，EVI的值。

(a) 10 d_NDVI

經(jīng)過(guò)時(shí)間合成以后，曲線變得更加平滑也消除了一些異常波動(dòng)，并且合成的時(shí)間間隔越長(zhǎng)，作物曲線越平滑，但同時(shí)也失去了更多的細(xì)節(jié)，比如30 d合成的冬小麥NDVI，EVI時(shí)序曲線均不再呈現(xiàn)“兩峰一谷”的形態(tài)。時(shí)間間隔為10 d和15 d的曲線既抵消了一些干擾也保留了作物生長(zhǎng)的細(xì)節(jié)變化，在不同特征的曲線中冬小麥與其他作物的差異都比較明顯。

3.2 定性評(píng)價(jià)

為了檢驗(yàn)本文方法的有效性，對(duì)比不同時(shí)序數(shù)據(jù)以及地塊和像素級(jí)別分類的優(yōu)劣性，分別使用定性和定量的方式評(píng)價(jià)最終分類結(jié)果。定量方法即使用第2節(jié)中的評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比分析，定性方法主要將提取結(jié)果與遙感影像進(jìn)行對(duì)比，目視評(píng)判冬小麥提取效果，主要包括下面幾個(gè)方面：① 判斷冬小麥提取區(qū)域是否全面；② 判斷是否存在誤提現(xiàn)象；③ 基于像素的提取方法孤立像素現(xiàn)象是否嚴(yán)重。

本文使用多尺度分割時(shí)利用的GF2 1m分辨率影像與各種方法得到的提取結(jié)果進(jìn)行局部對(duì)比，圖5為典型區(qū)域的原始影像，冬小麥表現(xiàn)為深綠色，圖6、圖7和圖8分別為這些區(qū)域?qū)?yīng)的提取結(jié)果。

(a) 規(guī)整區(qū)域

(a) 30 d_像元

(a) 30 d_像元

(a) 30 d_像元

在圖6中，30 d和15 d合成的地塊、像素級(jí)別的提取均存在一定程度的誤提現(xiàn)象；10 d合成的像素級(jí)別的提取有少部分的漏提；10 d合成的地塊級(jí)別的提取結(jié)果符合影像顯示的冬小麥區(qū)域。在圖7中，地塊的不規(guī)整增大了提取的難度，基于像素的提取結(jié)果漏提現(xiàn)象嚴(yán)重；30 d和15 d合成的地塊級(jí)提取也出現(xiàn)了漏提現(xiàn)象；10 d合成的地塊級(jí)提取結(jié)果較為全面準(zhǔn)確。圖8中，在復(fù)雜種植區(qū)域，基于像素的提取結(jié)果漏提和孤立像素現(xiàn)象都比較嚴(yán)重，提取效果不佳；30 d合成的地塊級(jí)提取有小面積的漏提，15 d和10 d合成的地塊級(jí)別的提取結(jié)果一致，在復(fù)雜種植區(qū)域的提取結(jié)果也較為理想。整體來(lái)看，地塊和像素級(jí)別的提取效果都會(huì)隨著合成時(shí)間序列數(shù)據(jù)時(shí)間間隔的縮小變得更好；當(dāng)時(shí)間間隔相同時(shí)，地塊級(jí)別的提取并不全都優(yōu)于像素級(jí)別的提取，但隨著時(shí)間間隔的縮小地塊級(jí)別的提取進(jìn)步明顯，10 d合成的面向地塊的提取方法總是最優(yōu)的，幾乎沒(méi)有出現(xiàn)錯(cuò)提、漏提現(xiàn)象。

3.3 定量評(píng)價(jià)

表5為最終得到的一系列量化結(jié)果，包括不同提取方法得到的OA、Kappa系數(shù)、冬小麥的PA和UA。

表5 冬小麥提取精度

以上方法均得到了較高的精度，證明了利用規(guī)律時(shí)間間隔合成的時(shí)間序列影像進(jìn)行分類的有效性。整體而言，與基于像素的分類結(jié)果相比，面向地塊的分類方法都得到了更高的OA和Kappa系數(shù)，但PA和UA并不全都高于基于像素的分類。并且總體趨勢(shì)顯示，當(dāng)合成Sentinel-2A/B影像的時(shí)間間隔越短時(shí)，冬小麥提取的精度越高。15 d和10 d合成時(shí)間間隔相差不大，提取精度相差不大。

3.4 效率評(píng)價(jià)

表6為各種冬小麥提取方法所需要的計(jì)算時(shí)間和結(jié)果導(dǎo)出的時(shí)間。

表6 冬小麥提取時(shí)間對(duì)比

無(wú)論是計(jì)算時(shí)間還是導(dǎo)出時(shí)間，不同時(shí)間序列下地塊級(jí)別的提取之間或者像素級(jí)別的提取之間都相差不大，真正對(duì)提取時(shí)間產(chǎn)生影響的不是不同時(shí)間序列的合成方法，而是面向不同元素的分類方法。地塊與像素級(jí)別的提取在計(jì)算時(shí)間上最多相差3倍，但都在1 min之內(nèi)，因此對(duì)計(jì)算效率的對(duì)比評(píng)價(jià)意義不大；然而在結(jié)果的導(dǎo)出上，二者相差了23 h,將近一天的時(shí)間，由于面向像素的分類方法精度也在比較高的水平，當(dāng)在時(shí)間緊急的情況下，面向地塊的分類方法優(yōu)勢(shì)不大。

4 冬小麥分布

通常在種植結(jié)構(gòu)單一、農(nóng)田連片區(qū)域的冬小麥更容易識(shí)別，但在地塊破碎區(qū)域由于內(nèi)部的光譜變異和邊界的光譜混合導(dǎo)致識(shí)別較為困難。本文的研究區(qū)為整個(gè)膠州市，地塊數(shù)量眾多、類型多樣，方法具有普適性。由以上對(duì)比結(jié)果得知，10 d合成的面向地塊的分類方法精度更高，提取效果更好，因此利用此方法做出2021年的膠州市冬小麥種植分布圖，如圖9所示，可以明顯看出，冬小麥種植區(qū)主要分布在膠州市的北部和西南部。

圖9 2021年膠州市冬小麥空間分布Fig.9 Spatial distribution map of winter wheat in Jiaozhou in 2021

5 結(jié)束語(yǔ)

本文使用不同時(shí)間間隔合成的Sentinel-2A/B時(shí)間序列數(shù)據(jù)，提取了膠州市的冬小麥種植區(qū)，主要為了探索更適合提取冬小麥的時(shí)序數(shù)據(jù)與方法。為了對(duì)比在不同時(shí)序數(shù)據(jù)下面向像素和面向地塊的分類結(jié)果，2種方法在完全相同的條件下進(jìn)行。結(jié)果表明：① 當(dāng)Sentinel-2A/B合成影像的時(shí)間間隔縮短時(shí)，可以為冬小麥與其他作物的區(qū)分提供更多信息，地塊和像素級(jí)別的提取準(zhǔn)確度都會(huì)更高；② 在相同的時(shí)序數(shù)據(jù)下，面向地塊的分類方法并不總是優(yōu)于面向地塊的分類方法，但可以明顯改善面向像素分類結(jié)果中常見(jiàn)的“椒鹽現(xiàn)象”，且隨著合成時(shí)間序列數(shù)據(jù)時(shí)間間隔的縮小進(jìn)步更明顯。同時(shí)，更短時(shí)間間隔(10 d)合成的Sentinel-2時(shí)序數(shù)據(jù)結(jié)合面向地塊的分類方法，對(duì)冬小麥的提取幫助更大，在一些不規(guī)整、復(fù)雜種植區(qū)域也獲得了很好的提取效果；③ 由于地塊級(jí)別的結(jié)果導(dǎo)出時(shí)間較長(zhǎng)，當(dāng)對(duì)精度和提取效果要求較高而時(shí)間比較充裕時(shí)，選擇地塊級(jí)別的分類更加合適；當(dāng)對(duì)時(shí)間的要求較高而對(duì)精度的需求較低時(shí)，面向像素的分類更加符合條件。分類是不斷優(yōu)化的過(guò)程，隨著遙感衛(wèi)星研發(fā)技術(shù)、計(jì)算機(jī)和云平臺(tái)計(jì)算能力的不斷提高，現(xiàn)有的分類算法也在逐漸改進(jìn)，未來(lái)更高級(jí)的圖像分割技術(shù)與更強(qiáng)大的云平臺(tái)計(jì)算能力的結(jié)合將獲得更加準(zhǔn)確的冬小麥種植區(qū)提取結(jié)果。